Hoogtepunten van Qwen3-Next: directe tekstinstructies
Qwen3-Next-80B-A3B-Instruct is de instruct-, non-thinking-teksteditie van Qwen3-Next. Het accepteert tekst en geeft tekst terug, waaronder uitleg, codevoorstellen en gevraagde documentproducten. Het genereert geen expliciete thinking-blokken. Houd het onderscheiden van de Thinking-editie en het voor programmeren gespecialiseerde Qwen3-Coder-Next; een gedeelde familiearchitectuur maakt hun responscontracten niet uitwisselbaar.
De familie introduceert hybride attention die Gated DeltaNet en gated attention combineert, experts met hoge sparsiteit, stabiliteitsoptimalisaties waaronder nulgecentreerde laagnormalisatie met gewichtsverval, en voorspelling van meerdere tokens. Die wijzigingen richten zich op de representatie en training van lange sequenties. Hun efficiëntie tijdens inferentie hangt af van de implementatie; architectuurcijfers mogen dus geen vaste garantie voor latentie of doorvoer worden.
Modeloverzicht
Het checkpoint heeft in totaal 80 miljard parameters en activeert er drie miljard. Het heeft 48 lagen in een herhaald expertpatroon van drie DeltaNet-lagen op één gated-attention-laag. De maker noemt 512 experts, tien geactiveerde experts en één gedeelde expert, met voortraining op 15 biljoen tokens gevolgd door natraining. Geactiveerde parameters zijn niet de omvang van het volledige checkpoint.
De native context is 262.144 tokens, met gedocumenteerde uitbreiding tot 1.010.000. De implementatievoorbeelden van de maker laten een kleinere context toe, zoals 32.768, wanneer resourcebeperkingen verhinderen dat de grotere instelling werkt. Tekst, gespreksgeschiedenis, toolwaarnemingen en gegenereerde inhoud delen de ingestelde sequentieruimte. De uitbreiding is een extra configuratiemogelijkheid en geen standaard onbeperkte invoer.
De instruct-interface gebruiken
Dit model ondersteunt alleen de instruct-, non-thinking-modus. Het kan een algoritme uitleggen, berekeningen tonen of een conclusie onderbouwen in gewone tekst zonder een speciaal thinking-blok te produceren. Vraag om het formaat en de grenzen van het resultaat: een complete functie, beknopt rapport, onderbouwingstabel of antwoord met ondersteunende stappen. Een verzoek om een lange uitleg verandert het niet in het afzonderlijk benoemde Thinking-checkpoint.
Behoud voor een documenttaak de sectie-identificatoren en definieer de vragen die het rapport moet beantwoorden. Geef voor code de relevante functie of module, invoerbeperkingen en verwachte uitvoer. Geef voor wiskunde de volledige opgave en vraag om een afgebakend eindresultaat. Vergelijk de teruggegeven berekeningen, code of uitleg met de aangeleverde voorwaarden en echte resultaten.
Implementatie en tools
De maker documenteert toolaanroepen en adviseert Qwen-Agent voor templates en parsing, met geconfigureerde of via MCP aangesloten tools. Een aangesloten workflow kan informatiezoeken, inspectie of toegestane uitvoering aanbieden en echte waarnemingen teruggeven. Geef de tools, toegestane acties en zichtbare voltooiingsvoorwaarden aan en vraag het eindrapport vervolgens voorstellen te onderscheiden van echte teruggegeven resultaten.
Voorspelling van meerdere tokens maakt deel uit van de training, maar het gebruik tijdens inferentie is implementatieafhankelijk en niet algemeen beschikbaar in iedere lichtgewicht workflow. Een template of architectuurfunctie stelt op zichzelf geen toegang tot actuele bronnen, bestanden of een codeomgeving vast. Behoud het exacte model en gespreksformaat die de gekozen interface gebruikt.
Ultralange tekst
De maker valideert een context van ongeveer één miljoen tokens met YaRN en geeft een aanpak met factor vier op basis van 262.144 native posities. Voor workloads van 524.288 tokens stelt hij factor twee voor. Statische schaling kan prestaties op kortere teksten verlagen, dus de configuratie zou de werkelijke behoefte aan langere invoer moeten volgen.
Orden lang materiaal per document, codepad of sectie en verwijder niet-relevante herhalingen. Vraag het antwoord de ondersteunende passages of voorwaarden te identificeren. Reserveer ruimte voor het antwoord in plaats van het grootste contextgetal als volledig geheugen voor ieder aangeleverd detail te behandelen. Het gepubliceerde uitbreidingsgetal van 1.010.000 en de validatie rond één miljoen blijven beperkt tot de lange-contextworkflow van de maker.
Generatieadvies
Best Practices adviseert temperature 0,7, top_p 0,8, top_k 20 en min_p 0. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit iets verlagen. De maker adviseert voor de meeste verzoeken een uitvoerbudget van 16.384 tokens. Dit is een aanbevolen generatiebudget en geen onafhankelijke harde bovengrens; het mag niet de grotere budgetten van de Thinking-editie overnemen.
Geef de resultaatvorm expliciet aan, zoals een wiskundige afbakening of antwoordveld. Houd het eindresultaat gemakkelijk te inspecteren en controleer berekeningen, citaten of code aan de hand van de bron. Deze teksteditie accepteert zelf geen beelden, audio of video als invoer; dat materiaal heeft dus een passende afzonderlijke weergave nodig voordat het de taak kan onderbouwen.
Praktisch resultaat
De bruikbare uitvoer is een concreet tekstproduct dat is onderbouwd met de aangeleverde voorwaarden: een documentuitleg, codevoorstel of direct antwoord met de vereiste ondersteunende details. Lange context en toolaanroepen kunnen meer onderbouwing door een workflow meenemen, terwijl het non-thinking-contract de uitvoerstijl van deze exacte editie duidelijk houdt. Controleer het resultaat in de echte taakomgeving in plaats van juistheid af te leiden uit lengte of zelfverzekerde formulering.
", "aboutText": "Hoogtepunten van Qwen3-Next: directe tekstinstructies\n\nQwen3-Next-80B-A3B-Instruct is de instruct-, non-thinking-teksteditie van Qwen3-Next. Het accepteert tekst en geeft tekst terug, waaronder uitleg, codevoorstellen en gevraagde documentproducten. Het genereert geen expliciete thinking-blokken. Houd het onderscheiden van de Thinking-editie en het voor programmeren gespecialiseerde Qwen3-Coder-Next; een gedeelde familiearchitectuur maakt hun responscontracten niet uitwisselbaar.\n\nDe familie introduceert hybride attention die Gated DeltaNet en gated attention combineert, experts met hoge sparsiteit, stabiliteitsoptimalisaties waaronder nulgecentreerde laagnormalisatie met gewichtsverval, en voorspelling van meerdere tokens. Die wijzigingen richten zich op de representatie en training van lange sequenties. Hun efficiëntie tijdens inferentie hangt af van de implementatie; architectuurcijfers mogen dus geen vaste garantie voor latentie of doorvoer worden.\n\nModeloverzicht\n\nHet checkpoint heeft in totaal 80 miljard parameters en activeert er drie miljard. Het heeft 48 lagen in een herhaald expertpatroon van drie DeltaNet-lagen op één gated-attention-laag. De maker noemt 512 experts, tien geactiveerde experts en één gedeelde expert, met voortraining op 15 biljoen tokens gevolgd door natraining. Geactiveerde parameters zijn niet de omvang van het volledige checkpoint.\n\nDe native context is 262.144 tokens, met gedocumenteerde uitbreiding tot 1.010.000. De implementatievoorbeelden van de maker laten een kleinere context toe, zoals 32.768, wanneer resourcebeperkingen verhinderen dat de grotere instelling werkt. Tekst, gespreksgeschiedenis, toolwaarnemingen en gegenereerde inhoud delen de ingestelde sequentieruimte. De uitbreiding is een extra configuratiemogelijkheid en geen standaard onbeperkte invoer.\n\nDe instruct-interface gebruiken\n\nDit model ondersteunt alleen de instruct-, non-thinking-modus. Het kan een algoritme uitleggen, berekeningen tonen of een conclusie onderbouwen in gewone tekst zonder een speciaal thinking-blok te produceren. Vraag om het formaat en de grenzen van het resultaat: een complete functie, beknopt rapport, onderbouwingstabel of antwoord met ondersteunende stappen. Een verzoek om een lange uitleg verandert het niet in het afzonderlijk benoemde Thinking-checkpoint.\n\nBehoud voor een documenttaak de sectie-identificatoren en definieer de vragen die het rapport moet beantwoorden. Geef voor code de relevante functie of module, invoerbeperkingen en verwachte uitvoer. Geef voor wiskunde de volledige opgave en vraag om een afgebakend eindresultaat. Vergelijk de teruggegeven berekeningen, code of uitleg met de aangeleverde voorwaarden en echte resultaten.\n\nImplementatie en tools\n\nDe maker documenteert toolaanroepen en adviseert Qwen-Agent voor templates en parsing, met geconfigureerde of via MCP aangesloten tools. Een aangesloten workflow kan informatiezoeken, inspectie of toegestane uitvoering aanbieden en echte waarnemingen teruggeven. Geef de tools, toegestane acties en zichtbare voltooiingsvoorwaarden aan en vraag het eindrapport vervolgens voorstellen te onderscheiden van echte teruggegeven resultaten.\n\nVoorspelling van meerdere tokens maakt deel uit van de training, maar het gebruik tijdens inferentie is implementatieafhankelijk en niet algemeen beschikbaar in iedere lichtgewicht workflow. Een template of architectuurfunctie stelt op zichzelf geen toegang tot actuele bronnen, bestanden of een codeomgeving vast. Behoud het exacte model en gespreksformaat die de gekozen interface gebruikt.\n\nUltralange tekst\n\nDe maker valideert een context van ongeveer één miljoen tokens met YaRN en geeft een aanpak met factor vier op basis van 262.144 native posities. Voor workloads van 524.288 tokens stelt hij factor twee voor. Statische schaling kan prestaties op kortere teksten verlagen, dus de configuratie zou de werkelijke behoefte aan langere invoer moeten volgen.\n\nOrden lang materiaal per document, codepad of sectie en verwijder niet-relevante herhalingen. Vraag het antwoord de ondersteunende passages of voorwaarden te identificeren. Reserveer ruimte voor het antwoord in plaats van het grootste contextgetal als volledig geheugen voor ieder aangeleverd detail te behandelen. Het gepubliceerde uitbreidingsgetal van 1.010.000 en de validatie rond één miljoen blijven beperkt tot de lange-contextworkflow van de maker.\n\nGeneratieadvies\n\nBest Practices adviseert temperature 0,7, top_p 0,8, top_k 20 en min_p 0. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit iets verlagen. De maker adviseert voor de meeste verzoeken een uitvoerbudget van 16.384 tokens. Dit is een aanbevolen generatiebudget en geen onafhankelijke harde bovengrens; het mag niet de grotere budgetten van de Thinking-editie overnemen.\n\nGeef de resultaatvorm expliciet aan, zoals een wiskundige afbakening of antwoordveld. Houd het eindresultaat gemakkelijk te inspecteren en controleer berekeningen, citaten of code aan de hand van de bron. Deze teksteditie accepteert zelf geen beelden, audio of video als invoer; dat materiaal heeft dus een passende afzonderlijke weergave nodig voordat het de taak kan onderbouwen.\n\nPraktisch resultaat\n\nDe bruikbare uitvoer is een concreet tekstproduct dat is onderbouwd met de aangeleverde voorwaarden: een documentuitleg, codevoorstel of direct antwoord met de vereiste ondersteunende details. Lange context en toolaanroepen kunnen meer onderbouwing door een workflow meenemen, terwijl het non-thinking-contract de uitvoerstijl van deze exacte editie duidelijk houdt. Controleer het resultaat in de echte taakomgeving in plaats van juistheid af te leiden uit lengte of zelfverzekerde formulering.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct is Qwens non-thinking-teksteditie met in totaal 80 miljard en 3 miljard geactiveerde parameters. Het combineert hybride attention, sparse experts en toolaanroepen met een native context van 262.144 tokens, via configuratie uitbreidbaar tot 1.010.000.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Hoogtepunten van Qwen3-Next: directe tekstinstructies
Qwen3-Next-80B-A3B-Instruct is de instruct-, non-thinking-teksteditie van Qwen3-Next. Het accepteert tekst en geeft tekst terug, waaronder uitleg, codevoorstellen en gevraagde documentproducten. Het genereert geen expliciete thinking-blokken. Houd het onderscheiden van de Thinking-editie en het voor programmeren gespecialiseerde Qwen3-Coder-Next; een gedeelde familiearchitectuur maakt hun responscontracten niet uitwisselbaar.
De familie introduceert hybride attention die Gated DeltaNet en gated attention combineert, experts met hoge sparsiteit, stabiliteitsoptimalisaties waaronder nulgecentreerde laagnormalisatie met gewichtsverval, en voorspelling van meerdere tokens. Die wijzigingen richten zich op de representatie en training van lange sequenties. Hun efficiëntie tijdens inferentie hangt af van de implementatie; architectuurcijfers mogen dus geen vaste garantie voor latentie of doorvoer worden.
Modeloverzicht
Het checkpoint heeft in totaal 80 miljard parameters en activeert er drie miljard. Het heeft 48 lagen in een herhaald expertpatroon van drie DeltaNet-lagen op één gated-attention-laag. De maker noemt 512 experts, tien geactiveerde experts en één gedeelde expert, met voortraining op 15 biljoen tokens gevolgd door natraining. Geactiveerde parameters zijn niet de omvang van het volledige checkpoint.
De native context is 262.144 tokens, met gedocumenteerde uitbreiding tot 1.010.000. De implementatievoorbeelden van de maker laten een kleinere context toe, zoals 32.768, wanneer resourcebeperkingen verhinderen dat de grotere instelling werkt. Tekst, gespreksgeschiedenis, toolwaarnemingen en gegenereerde inhoud delen de ingestelde sequentieruimte. De uitbreiding is een extra configuratiemogelijkheid en geen standaard onbeperkte invoer.
De instruct-interface gebruiken
Dit model ondersteunt alleen de instruct-, non-thinking-modus. Het kan een algoritme uitleggen, berekeningen tonen of een conclusie onderbouwen in gewone tekst zonder een speciaal thinking-blok te produceren. Vraag om het formaat en de grenzen van het resultaat: een complete functie, beknopt rapport, onderbouwingstabel of antwoord met ondersteunende stappen. Een verzoek om een lange uitleg verandert het niet in het afzonderlijk benoemde Thinking-checkpoint.
Behoud voor een documenttaak de sectie-identificatoren en definieer de vragen die het rapport moet beantwoorden. Geef voor code de relevante functie of module, invoerbeperkingen en verwachte uitvoer. Geef voor wiskunde de volledige opgave en vraag om een afgebakend eindresultaat. Vergelijk de teruggegeven berekeningen, code of uitleg met de aangeleverde voorwaarden en echte resultaten.
Implementatie en tools
De maker documenteert toolaanroepen en adviseert Qwen-Agent voor templates en parsing, met geconfigureerde of via MCP aangesloten tools. Een aangesloten workflow kan informatiezoeken, inspectie of toegestane uitvoering aanbieden en echte waarnemingen teruggeven. Geef de tools, toegestane acties en zichtbare voltooiingsvoorwaarden aan en vraag het eindrapport vervolgens voorstellen te onderscheiden van echte teruggegeven resultaten.
Voorspelling van meerdere tokens maakt deel uit van de training, maar het gebruik tijdens inferentie is implementatieafhankelijk en niet algemeen beschikbaar in iedere lichtgewicht workflow. Een template of architectuurfunctie stelt op zichzelf geen toegang tot actuele bronnen, bestanden of een codeomgeving vast. Behoud het exacte model en gespreksformaat die de gekozen interface gebruikt.
Ultralange tekst
De maker valideert een context van ongeveer één miljoen tokens met YaRN en geeft een aanpak met factor vier op basis van 262.144 native posities. Voor workloads van 524.288 tokens stelt hij factor twee voor. Statische schaling kan prestaties op kortere teksten verlagen, dus de configuratie zou de werkelijke behoefte aan langere invoer moeten volgen.
Orden lang materiaal per document, codepad of sectie en verwijder niet-relevante herhalingen. Vraag het antwoord de ondersteunende passages of voorwaarden te identificeren. Reserveer ruimte voor het antwoord in plaats van het grootste contextgetal als volledig geheugen voor ieder aangeleverd detail te behandelen. Het gepubliceerde uitbreidingsgetal van 1.010.000 en de validatie rond één miljoen blijven beperkt tot de lange-contextworkflow van de maker.
Generatieadvies
Best Practices adviseert temperature 0,7, top_p 0,8, top_k 20 en min_p 0. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit iets verlagen. De maker adviseert voor de meeste verzoeken een uitvoerbudget van 16.384 tokens. Dit is een aanbevolen generatiebudget en geen onafhankelijke harde bovengrens; het mag niet de grotere budgetten van de Thinking-editie overnemen.
Geef de resultaatvorm expliciet aan, zoals een wiskundige afbakening of antwoordveld. Houd het eindresultaat gemakkelijk te inspecteren en controleer berekeningen, citaten of code aan de hand van de bron. Deze teksteditie accepteert zelf geen beelden, audio of video als invoer; dat materiaal heeft dus een passende afzonderlijke weergave nodig voordat het de taak kan onderbouwen.
Praktisch resultaat
De bruikbare uitvoer is een concreet tekstproduct dat is onderbouwd met de aangeleverde voorwaarden: een documentuitleg, codevoorstel of direct antwoord met de vereiste ondersteunende details. Lange context en toolaanroepen kunnen meer onderbouwing door een workflow meenemen, terwijl het non-thinking-contract de uitvoerstijl van deze exacte editie duidelijk houdt. Controleer het resultaat in de echte taakomgeving in plaats van juistheid af te leiden uit lengte of zelfverzekerde formulering.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-next-80b-a3b-instruct | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.000286 / 1K tokens Uitvoer · Uitvoertokens $0.0022 / 1K tokens Invoer · Cache lezen $0.00014 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.000286 / 1K tokens Uitvoer · Uitvoertokens $0.0022 / 1K tokens Invoer · Cache lezen $0.00014 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-next-80b-a3b-instruct", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='qwen/qwen3-next-80b-a3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='qwen/qwen3-next-80b-a3b-instruct',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen3-next-80b-a3b-instruct
Gebruik de hierboven getoonde methodepaden.
qwen/qwen3-next-80b-a3b-instructQwen3-Next-80B-A3B-Instruct is Qwens non-thinking-teksteditie met in totaal 80 miljard en 3 miljard geactiveerde parameters. Het combineert hybride attention, sparse experts en toolaanroepen met een native context van 262.144 tokens, via configuratie uitbreidbaar tot 1.010.000.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Hoogtepunten van Qwen3-Next: directe tekstinstructies
Qwen3-Next-80B-A3B-Instruct is de instruct-, non-thinking-teksteditie van Qwen3-Next. Het accepteert tekst en geeft tekst terug, waaronder uitleg, codevoorstellen en gevraagde documentproducten. Het genereert geen expliciete thinking-blokken. Houd het onderscheiden van de Thinking-editie en het voor programmeren gespecialiseerde Qwen3-Coder-Next; een gedeelde familiearchitectuur maakt hun responscontracten niet uitwisselbaar.
De familie introduceert hybride attention die Gated DeltaNet en gated attention combineert, experts met hoge sparsiteit, stabiliteitsoptimalisaties waaronder nulgecentreerde laagnormalisatie met gewichtsverval, en voorspelling van meerdere tokens. Die wijzigingen richten zich op de representatie en training van lange sequenties. Hun efficiëntie tijdens inferentie hangt af van de implementatie; architectuurcijfers mogen dus geen vaste garantie voor latentie of doorvoer worden.
Modeloverzicht
Het checkpoint heeft in totaal 80 miljard parameters en activeert er drie miljard. Het heeft 48 lagen in een herhaald expertpatroon van drie DeltaNet-lagen op één gated-attention-laag. De maker noemt 512 experts, tien geactiveerde experts en één gedeelde expert, met voortraining op 15 biljoen tokens gevolgd door natraining. Geactiveerde parameters zijn niet de omvang van het volledige checkpoint.
De native context is 262.144 tokens, met gedocumenteerde uitbreiding tot 1.010.000. De implementatievoorbeelden van de maker laten een kleinere context toe, zoals 32.768, wanneer resourcebeperkingen verhinderen dat de grotere instelling werkt. Tekst, gespreksgeschiedenis, toolwaarnemingen en gegenereerde inhoud delen de ingestelde sequentieruimte. De uitbreiding is een extra configuratiemogelijkheid en geen standaard onbeperkte invoer.
De instruct-interface gebruiken
Dit model ondersteunt alleen de instruct-, non-thinking-modus. Het kan een algoritme uitleggen, berekeningen tonen of een conclusie onderbouwen in gewone tekst zonder een speciaal thinking-blok te produceren. Vraag om het formaat en de grenzen van het resultaat: een complete functie, beknopt rapport, onderbouwingstabel of antwoord met ondersteunende stappen. Een verzoek om een lange uitleg verandert het niet in het afzonderlijk benoemde Thinking-checkpoint.
Behoud voor een documenttaak de sectie-identificatoren en definieer de vragen die het rapport moet beantwoorden. Geef voor code de relevante functie of module, invoerbeperkingen en verwachte uitvoer. Geef voor wiskunde de volledige opgave en vraag om een afgebakend eindresultaat. Vergelijk de teruggegeven berekeningen, code of uitleg met de aangeleverde voorwaarden en echte resultaten.
Implementatie en tools
De maker documenteert toolaanroepen en adviseert Qwen-Agent voor templates en parsing, met geconfigureerde of via MCP aangesloten tools. Een aangesloten workflow kan informatiezoeken, inspectie of toegestane uitvoering aanbieden en echte waarnemingen teruggeven. Geef de tools, toegestane acties en zichtbare voltooiingsvoorwaarden aan en vraag het eindrapport vervolgens voorstellen te onderscheiden van echte teruggegeven resultaten.
Voorspelling van meerdere tokens maakt deel uit van de training, maar het gebruik tijdens inferentie is implementatieafhankelijk en niet algemeen beschikbaar in iedere lichtgewicht workflow. Een template of architectuurfunctie stelt op zichzelf geen toegang tot actuele bronnen, bestanden of een codeomgeving vast. Behoud het exacte model en gespreksformaat die de gekozen interface gebruikt.
Ultralange tekst
De maker valideert een context van ongeveer één miljoen tokens met YaRN en geeft een aanpak met factor vier op basis van 262.144 native posities. Voor workloads van 524.288 tokens stelt hij factor twee voor. Statische schaling kan prestaties op kortere teksten verlagen, dus de configuratie zou de werkelijke behoefte aan langere invoer moeten volgen.
Orden lang materiaal per document, codepad of sectie en verwijder niet-relevante herhalingen. Vraag het antwoord de ondersteunende passages of voorwaarden te identificeren. Reserveer ruimte voor het antwoord in plaats van het grootste contextgetal als volledig geheugen voor ieder aangeleverd detail te behandelen. Het gepubliceerde uitbreidingsgetal van 1.010.000 en de validatie rond één miljoen blijven beperkt tot de lange-contextworkflow van de maker.
Generatieadvies
Best Practices adviseert temperature 0,7, top_p 0,8, top_k 20 en min_p 0. Waar ondersteund kan een presence penalty tussen nul en twee herhaalde tekst verminderen, maar hogere waarden kunnen talen mengen of de kwaliteit iets verlagen. De maker adviseert voor de meeste verzoeken een uitvoerbudget van 16.384 tokens. Dit is een aanbevolen generatiebudget en geen onafhankelijke harde bovengrens; het mag niet de grotere budgetten van de Thinking-editie overnemen.
Geef de resultaatvorm expliciet aan, zoals een wiskundige afbakening of antwoordveld. Houd het eindresultaat gemakkelijk te inspecteren en controleer berekeningen, citaten of code aan de hand van de bron. Deze teksteditie accepteert zelf geen beelden, audio of video als invoer; dat materiaal heeft dus een passende afzonderlijke weergave nodig voordat het de taak kan onderbouwen.
Praktisch resultaat
De bruikbare uitvoer is een concreet tekstproduct dat is onderbouwd met de aangeleverde voorwaarden: een documentuitleg, codevoorstel of direct antwoord met de vereiste ondersteunende details. Lange context en toolaanroepen kunnen meer onderbouwing door een workflow meenemen, terwijl het non-thinking-contract de uitvoerstijl van deze exacte editie duidelijk houdt. Controleer het resultaat in de echte taakomgeving in plaats van juistheid af te leiden uit lengte of zelfverzekerde formulering.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-next-80b-a3b-instruct | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.000286 / 1K tokens Uitvoer · Uitvoertokens $0.0022 / 1K tokens Invoer · Cache lezen $0.00014 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.000286 / 1K tokens Uitvoer · Uitvoertokens $0.0022 / 1K tokens Invoer · Cache lezen $0.00014 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "qwen/qwen3-next-80b-a3b-instruct",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-next-80b-a3b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'qwen/qwen3-next-80b-a3b-instruct', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen3-next-80b-a3b-instruct
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Explain a section-specific decision\n\nAnswer only from these procedure sections. Section 2: standard purchases need a manager's approval. Section 4: emergency safety purchases may proceed first, but must be reported to that manager within one day. Case: a broken emergency exit light needs replacement today. Give a concise recommendation with section references and identify the follow-up obligation. Do not invent an approval already granted.A direct recommendation with supporting sections and the one-day reporting obligation.The emergency exception retains its reporting condition and is not generalised to all purchases.